mTREE：用于全切片图像分析的多层级文本引导表征端到端学习

基于摘要分析。该研究面向组织病理学全切片图像（Whole Slide Images，WSIs）的图文多模态学习，提出 mTREE，利用配套病理文本引导多尺度图像表征学习，将关键区域定位与切片级图文表征构建统一于端到端框架。 其研究动机是：千兆像素级 WSI 难以直接进行整体分析，现有方法通常依赖人工区域标注或多阶段学习，将局部图像块表征汇聚为全局特征。mTREE 将从全局到局部的关键区域定位，与从局部到全局的切片级图文表征构建相结合。摘要明确说明文本具有双重作用：一是作为注意力图引导关键区域识别，二是将文本特征融入整体图像表征。具体网络结构、损失函数、区域选择机制，以及端到端训练如何处理超高分辨率输入，尚未验证。 作者报告在分类和生存预测两类任务中优于对照基线，但摘要未提供数据集、样本规模、划分协议、指标数值或基线名称，因此无法判断优势幅度与适用范围。实验协议、消融及统计信息尚未验证；复现时还需核对病理文本的来源、训练与推理阶段的可用性，以及文本两种作用各自的贡献。 该论文的直接研究对象是组织病理图像与病理文本，而非 EEG 或 BCI。当前材料未建立其多尺度空间定位机制与神经信号任务之间的具体对应关系，不能据此认定其具有 BCI 有效性。